一、目标检测核心任务与挑战

1. 核心任务：识别图像中物体的类别，并定位物体的位置，属于 “位置 + 类别” 的多任务学习。
2. 主要挑战：
   • 目标种类与数量繁多，检测难度随目标多样性提升；
   • 目标尺度不均，不同大小的目标需统一适配检测逻辑；
   • 受遮挡、图像噪声等外部环境干扰，易影响检测准确性。

二、目标检测常用数据集

重点介绍了两类主流公开数据集，为检测模型训练与验证提供数据支撑：

数据集	核心信息
VOC 数据集	源于 PASCAL VOC 挑战赛，含 4 大类、20 小类；VOC 2007 含 9963 张图片 / 24640 个目标，VOC 2012 含 23080 张图片 / 54900 个目标。
COCO 数据集	2014 年由微软出资标注，含 20 万张图像、80 个类别、超 50 万个目标标注，平均每张图像含 7.2 个目标。

三、Ground Truth（真值标注）格式

Ground Truth 是模型训练的 “标准答案”，包含物体类别与边界框坐标，PPT 介绍了三类主流格式：

1. YOLO（TXT）格式：坐标为归一化结果，记录（x,y,w,h），分别代表物体中心点的 x/y 坐标、宽 / 高。
2. VOC（XML）格式：记录（Xmin,Ymin,Xmax,Ymax），分别代表物体边界框左上角、右下角的坐标。
3. COCO（JSON）格式：坐标非归一化，记录（Xmin,Ymin,W,H），分别代表物体边界框左上角坐标、宽 / 高。

四、目标检测评估指标体系

评估指标用于衡量模型检测效果，PPT 系统梳理了关键指标与计算逻辑：

1. 基础指标：IoU

   • 全称 “交并比”，计算公式为 “边界框交集面积 / 并集面积”，用于判断预测框与真值框的重合度，是边界框正确性的核心度量。
   • 计算前需先过滤低类别置信度的预测结果，仅保留高置信度候选框。

2. 样本分类指标：TP/FP/TN/FN

   • TP（真阳性）：真值为正样本、预测为正样本，且 IoU > 阈值；
   • FP（假阳性）：真值为负样本、预测为正样本，且 IoU < 阈值；
   • TN（真阴性）：真值为负样本、预测为负样本；
   • FN（假阴性）：真值为正样本、预测为负样本，即 “漏检目标”。

3. 核心评估指标

   • Precision（精确率 / 查准率）：衡量预测为正样本的结果中，实际为正样本的比例；
   • Recall（召回率 / 查全率）：衡量所有真值正样本中，被成功预测为正样本的比例；
   • P-R 曲线：以 Recall 为横轴、Precision 为纵轴绘制的曲线，直观反映模型在不同阈值下的性能；
   • AP（Average Precision，平均精度）：通过 “11 点法”（取 Recall 为 0-1 间隔 0.1 的 11 个点，计算对应 Precision 的平均值）或 “近似面积法” 计算，衡量单类别检测效果；
   • mean AP：所有类别的 AP 的算术平均值，衡量模型对多类别目标的综合检测能力。

4. mean 与 average 的区别

   • mean：仅指 “算术平均数”，计算逻辑简单；
   • average：包含算术平均在内的多种度量规则，需先设计均衡逻辑（如 AP 计算）；
   • 因此 “mean AP” 是对已均衡的 AP 直接取算术平均，而 “Average P” 需先对 P 值做均衡处理。

五、目标检测方法分类

PPT 对比了传统方法与深度学习方法，重点突出深度学习的技术路线：

1. 传统方法：滑动窗口法

   • 核心逻辑：人工设计固定尺寸的窗口，在图像上滑动遍历以检测目标；
   • 缺点：需人工设计窗口尺寸、存在大量冗余计算、定位准确性低。

2. 深度学习方法

   • anchor 相关分类：
     • anchor-base（自顶向下）：类似滑动窗口法，先穷举大量预设 anchor 框，再按置信度筛选；
     • anchor-free（自底向上）：无需预设 anchor，自动生成目标候选框，简化检测流程。
   • 检测流程分类：
     • two stage（两阶段）：先生成目标候选区域（proposal），再对候选区域做类别预测与位置回归；代表算法有 R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、Cascade R-CNN 等；
     • one stage（单阶段）：直接对图像做类别预测与位置回归，无需候选区域生成；代表算法有 YOLO 系列（v1-v5）、SSD 系列（SSD、DSSD、FSSD）、RefineDet 等。

六、关键技术：非极大值抑制（NMS）

NMS 用于去除重复的候选框，保留最优预测结果，步骤如下：

1. 设定目标框置信度阈值（常用 0.5 左右），过滤低置信度候选框；
2. 按置信度从高到低排序候选框列表；
3. 选取置信度最高的框 A 加入输出列表，并将其从候选框列表中删除；
4. 计算候选框列表中所有框与 A 的 IoU，删除 IoU 大于阈值的候选框；
5. 重复步骤 3-4，直至候选框列表为空，最终输出列表即为去重后的检测结果。